白鹤滩的 AI 应用，始于混凝土内部的热量

2019 年 2 月，白鹤滩大坝施工现场发出的一条消息记录了三个温度：混凝土入仓温度为 16.3°C，浇筑温度为 17.4°C，环境气温为 21.7°C。中国三峡集团在次月的报道中刊出了这条通知。在管理人员的手机上，一项庞大的建设工程变成了具体的位置、时间和一组可供现场处置参考的测量值。[1]

这条简短的消息，为理解中国的工业 AI 打开了一个入口。白鹤滩需要解决的问题，是让巨量新浇筑混凝土的温度按设定要求变化。埋入坝体的传感器、仿真软件和可调节的冷却水回路共同参与其中。清华大学的建设团队后来记录了深度学习在仿真过程中的应用，也介绍了调节水流量、水温和通水时间的设备。[2][3]

混凝土内部也有自己的“天气”

水泥与水反应时，混凝土会释放热量。大体积浇筑中，随之而来的温度变化会带来应力与开裂风险。2021 年介绍白鹤滩的工程文献因此提出了一套刻意放缓降温的策略：限制温差、逐步冷却，并根据各个混凝土块的情况调整控制。目标是让不同位置、不同时间的温度变化都处于适当范围。[2]

河谷环境让这项任务更为复杂。工程建设方在 2023 年为国际水利与环境工程学会（IAHR）撰写的文章中指出，当地炎热干燥，强风频繁，夏季极端气温超过 42°C，冬季气温又会骤降。混凝土块内部的材料仍在变化，外部环境也不断改变。[4]

材料选择是应对办法之一。白鹤滩全坝采用低热水泥，以减少浇筑后的发热量。同一篇文章还将这一选择与监测、喷淋、循环通水和全生命周期仿真一并介绍。减少产热与调节散热，是施工方法中相互配合的两个部分。[4] 智能控制首先要面对的，就是施工方实际选用的混凝土。

三峡集团 2019 年的报道清楚描述了这套系统的工作顺序。传感器测量混凝土温度、冷却水温度和流量，服务器根据温控要求计算供水参数，随后由集成阀门调节水路。工作人员监看系统运行，并处理异常情况。[1]

2021 年的技术论文给出了更具体的运行规模：控制软件按同时处理 2,000 个浇筑块的要求设计，时间粒度小于十秒。这些指标描述的是系统容量和时间粒度，预测精度需要另行衡量。有了这些设备，计算结果才能改变大坝内部的实际状况。[2]

水阀之所以在这个 AI 应用中占有重要位置，原因就在这里。更准确的估算结果，要有可用的调节手段及时响应，才能产生实际价值。温度通知、仿真计算和流量调节分别处于这一过程的不同环节。将它们连在一起，才能从调节后的实际变化中学习；若混淆了这些环节，一项改进究竟改善了什么，就难以辨明。

清华大学 2021 年 11 月的报道明确了机器学习的一项具体用途：深度学习协助反演仿真所需的参数，为模型提供更准确的计算条件。团队还随着浇筑进度对大坝进行三维重建，并分析相互作用的物理过程。报道另外介绍了团队参与联合开发的冷却设备和软件，用于调节水流量、水温和通水时长。[3]

参数反演，就是从观测结果反推仿真所需的量。即使深度学习未直接指挥阀门，它仍能改善工程判断所依赖的物理模型，在这一环节发挥作用。

清华大学还介绍了低热混凝土在强风、高温、干燥条件下的现场试验，考察内容包括断裂行为和层间结合情况。[3] 这些工作将测量、学习和物理建模联系起来。现有记录尚不足以说明，整套冷却系统由一个经机器学习训练的控制器统一调度。

发表于 Journal of Zhejiang University–SCIENCE A 2026 年 4 月刊的一篇论文汇集了这些施工经验。作者介绍了一套统筹材料质量、施工时序、水管冷却和管理的方法。论文报告，在所列举的溪洛渡、乌东德和白鹤滩工程应用中，建成后的调查均未发现温度裂缝。[5]

这是文献报告的一项重要工程成果，其适用范围也很明确。结果归于整套方法，深度学习的独立贡献尚未从中分离出来。关于温度裂缝的观察，也不足以证明工程不存在其他缺陷。论文本身对材料与施工顺序的重视，也要求读者保留这一区分。[5]

评估后续应用时，有价值的比较应把其他环节的贡献也清楚列出：避免了哪些温度越限，调整了哪些干预措施，以及测量或设备失常时系统表现如何。这些是评估实际部署时需要追问的问题，本文所引来源尚未给出相应结果。

白鹤滩提供了一种辨识工业 AI 实际价值的具体方法。从坝体内部的测量数据出发，看它如何进入模型，再沿着计算所得的决策，追踪到流经混凝土的冷却水。智能技术的价值，就在这条完整的工作链条中得到检验。